问题描述
我们使用的库的版本:
sNowconn==3.7.1
sNowflake-connector-python==2.3.10
sNowflake-sqlalchemy==1.2.3
sqlAlchemy==1.3.23
great_expectations==0.13.10
pandas==1.1.5
请注意,我们自己从 SNowflake 获取数据,然后将其数据帧输入到 Great Expectations 中。我知道 GE 有一个 SNowflake 数据源,它在我的列表中以添加它。但我认为即使不使用该数据源,这种设置也应该可以工作。
我们有以下远大期望数据上下文配置:
data_context_config = DataContextConfig(
datasources={
datasource_name: DatasourceConfig(
class_name='PandasDatasource',data_asset_type={
'module_name': 'dataqa.dataset','class_name': 'CustomPandasDataset'
}
)
},store_backend_defaults=S3StoreBackendDefaults(
default_bucket_name=MetaDATA_BUCKET,expectations_store_prefix=EXPECTATIONS_PATH,validations_store_prefix=VALIDATIONS_PATH,data_docs_prefix=DATA_DOCS_PATH,),validation_operators={
"action_list_operator": {
"class_name": "ActionListValidationoperator","action_list": [
{
"name": "store_validation_result","action": {"class_name": "StoreValidationResultAction"},},{
"name": "store_evaluation_params","action": {"class_name": "StoreEvaluationParametersAction"},{
"name": "update_data_docs","action": {"class_name": "UpdateDataDocsAction"},],}
}
)
ge_context = BaseDataContext(project_config=data_context_config)
CustomPandasDataset
定义为:
class CustomPandasDataset(PandasDataset):
_data_asset_type = "CustomPandasDataset"
@MetaPandasDataset.multicolumn_map_expectation
def expect_column_A_equals_column_B_column_C_ratio(
self,column_list,ignore_row_if='any_value_is_missing'
):
column_a = column_list.iloc[:,0]
column_b = column_list.iloc[:,1]
column_c = column_list.iloc[:,2]
return abs(column_a - (1.0 - (column_b/column_c))) <= 0.001
并称为:
cols = ['a','b','c']
batch.expect_column_A_equals_column_B_column_C_ratio(
cols,catch_exceptions=True
)
稍后我们像这样验证数据上下文:
return ge_context.run_validation_operator(
"action_list_operator",assets_to_validate=batches,run_id=run_id)["success"]
通常,我们的数据中的 a
和 b
列是 null
。鉴于我已经在自定义期望值上设置了 ignore_row_if='any_value_is_missing'
标志,我期望在任何列 null
、a
或 {{1} 中具有 b
值的行被跳过。但远大期望并没有跳过它们,而是将它们添加到 c
或“失败”输出字段中:
unexpected
我不确定为什么会发生这种情况。在远大期望 source 中,result
element_count 1000
missing_count 0
missing_percent 0
unexpected_count 849
unexpected_percent 84.89999999999999
unexpected_percent_total 84.89999999999999
unexpected_percent_nonmissing 84.89999999999999result
element_count 1000
missing_count 0
missing_percent 0
unexpected_count 849
unexpected_percent 84.89999999999999
unexpected_percent_total 84.89999999999999
unexpected_percent_nonmissing 84.89999999999999
partial_unexpected_list
0
a null
b null
c 1.63
会:
multicolumn_map_expectation
我将其解释为忽略包含 ...
elif ignore_row_if == "any_value_is_missing":
boolean_mapped_skip_values = test_df.isnull().any(axis=1)
...
boolean_mapped_success_values = func(
self,test_df[boolean_mapped_skip_values == False],*args,**kwargs
)
success_count = boolean_mapped_success_values.sum()
nonnull_count = (~boolean_mapped_skip_values).sum()
element_count = len(test_df)
unexpected_list = test_df[
(boolean_mapped_skip_values == False)
& (boolean_mapped_success_values == False)
]
unexpected_index_list = list(unexpected_list.index)
success,percent_success = self._calc_map_expectation_success(
success_count,nonnull_count,mostly
)
的行(不将它们添加到 null
列表并且不使用它们来确定 unexpected
)。我在我们的代码中删除了一个 percent_success
并验证了我们调用期望的数据帧可以以正确的方式操作以获得“合理的”数据(pdb
),但出于某种原因远大期望允许那些空值溜过。有人知道为什么吗?
解决方法
我相信海报在这里提交了 Github 问题:https://github.com/great-expectations/great_expectations/issues/2460。可以在那里跟踪进度。